CN117593233A - 一种低照度x射线图像增强方法、系统及存储介质 - Google Patents
一种低照度x射线图像增强方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117593233A CN117593233A CN202311374569.XA CN202311374569A CN117593233A CN 117593233 A CN117593233 A CN 117593233A CN 202311374569 A CN202311374569 A CN 202311374569A CN 117593233 A CN117593233 A CN 117593233A
- Authority
- CN
- China
- Prior art keywords
- image
- low
- illumination
- component
- ray image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 33
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种低照度X射线图像增强方法、系统及存储介质，属于图像增强方法领域，包括以下步骤：对输入的低照度X射线图像采用改进的多尺度Retinex算法进行分解，将图像分为照射分量和反射分量；对照射分量采用CLAHE算法进行处理，对反射分量采用加权分布的自适应伽马校正；将处理好的照射分量与反射分量按照一定的比例进行融合；对融合好的图像进行改进后的单参数的同态滤波算法处理；得到增强后的图像。该方法可以对低照度X射线图像进行有效的增强处理，以提高图像的对比度、清晰度和细节信息，从而方便进行安检判断。
Description
技术领域
本公开属于图像增强方法领域，具体涉及一种低照度X射线图像增强方法、系统及存储介质。
背景技术
随着现代经济的快速发展，人们的生活水平不断提高，出行需求也日益增加。安全检查是保障公众安全的一种必要措施，常采用人物分离各自安检的方式，存在检查速度慢、道路难通畅、物品会遗失等不足。其中，对人的安检主要经由金属安检门和金属检查仪，但其无法检出人们可能随身持有的非金属违禁品如陶瓷刀、毒品和液体爆炸物等；对所携带物品的安检则主要依赖X射线安检机。目前，对人的两种安检方式虚警率较高，安检人员收到安检系统警示信息后有时需反复核查，甚至要求受检人脱去衣帽等，这不仅会带来个人隐私的泄露，还会进一步降低安检效率。因此，若能采用一种非接触的方式将人与物同步进行安检，便有望同时兼顾所述的效率与隐私问题。
背散射成像作为一种基于康普顿效应原理的X射线成像技术，能够突出显示低原子序数的物质如毒品、液体爆炸物等，且所需光照剂量较低，人体在距离背散射成像安检仪5厘米处停留50个小时，其累计剂量仅相当于一次医疗X射线胸透。该等特点均适用于人与物同步的非接触式安检，可望有效解决上述现存问题，但也存在不足之处，即因受光照剂量限制导致低照度下成像噪声大、不清晰、难识别，需对背散射成像安检仪所呈现的低照度X射线图像进行增强处理。
现有的图像增强现主要有硬件和软件两种处理方式。其中，硬件方式成本较高且不具有普适性；软件方式即采用算法增强，除了传统算法外，还有基于机器学习的算法等一些新算法。
将现有适宜较高照度X射线图像的处理算法用于低照度X射线安检图像，则因照度差异其处理效果会很差；医学X射线图像照度虽低且适当处理后可得到较高质量的图像，但由于照射时间长，其处理算法也不适用于安检低照度X射线图像。因此，需提出一种适用于低照度X射线安检图像的增强算法，提升图像的清晰度，改善图像质量。
发明内容
针对现有技术的不足，本公开的目的在于提供一种低照度X射线图像增强方法、系统及存储介质，解决了现有技术中低照度X射线图像清晰度差的问题。
本公开的目的可以通过以下技术方案实现：
一种低照度X射线图像增强方法，包括以下步骤：
步骤一：对输入的低照度X射线图像采用多尺度Retinex算法进行分解，将图像分为照射分量和反射分量；
步骤二：对照射分量采用CLAHE算法进行处理，对反射分量采用加权分布的自适应伽马校正；
步骤三：将处理好的照射分量与反射分量按照一定的比例进行融合；
步骤四：对融合好的图像通过单参数同态滤波算法进行处理；
步骤五：得到增强后的图像。
进一步地，所述多尺度Retinex算法采用双边滤波来代替原始的高斯滤波器作为中心环绕函数。
进一步地，所述自适应伽马校正采用一个补偿的累计分布函数去代替原始伽马校正的系数。
本公开的有益效果：
1、本发明采用改进的多尺度Retinex算法，可以将图像分解为照射分量和反射分量，从而分别处理图像的亮度和色彩；
2、本发明采用CLAHE算法，可以对照射分量进行局部直方图均衡化，以增强图像的动态范围和对比度；
3、本发明采用加权分布的自适应伽马校正，可以对反射分量进行非线性变换，以增强图像的亮度和细节；
4、本发明采用改进后的单参数的同态滤波算法，可以对融合后的图像进行全局性的增强，以平衡图像的灰度范围和对比度；
5、本发明采用本发明方法处理后的图像，在主观和客观的评价指标上都优于其他算法，说明本发明方法具有较高的增强效果和适应性。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例的流程示意图；
图2是本公开实施例的处理前对照图；
图3是本公开实施例的处理后对照图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
如图1所示，一种低照度X射线图像增强方法，包括如下步骤
步骤一：采用改进中心环绕函数的多尺度Retinex算法，将所输入的低照度X射线图像分解成照射分量和反射分量两部分。在单尺度Retinex算法中，尺度参数c的取值特别重要，若c取值太小，会导致颜色失真，若c取值太大，会导致图像的细节信息增强不够，于是选用多尺度Retinex算法。多尺度Retinex算法的特点是可以压缩图像的动态范围，但将光强变化太大时，容易产生光晕现象。对多尺度Retinex算法进行改进。
高斯滤波器间相邻像素点之间的距离越近，关系越密切；距离越远，关系越疏远，这样得到的图像会出现模糊边缘现象。双边滤波是在高斯滤波基础上提出来的，双边滤波是一种能够保留图像边缘特征的非线性滤波器，不仅可以保持图像的边缘信息，消除光晕伪影，实现边缘去噪，而且提取的照射分量可以反映图像的整体结构，双边滤波的数学表达式为：
式中g(i,j)为图像中心像素的灰度值；D(i,j)为以(i,j)为中心点的邻域像素的取值范围；w(i,j,k,l)为滤波器的权重系数，即中心环绕函数计算得出的新的灰度值；f(k,l)和f(i,j)为(i,j)和(k,l)两点附近像素的灰度值；ws(i,j)为空间邻近因子；wr(i,j)为灰度相似因子；σs和σr为滤波器的参数。
因此采用双边滤波来代替原始的高斯滤波器作为中心环绕函数，改进后的算法不仅可以保持图像的边缘信息，消除光晕伪影，实现边缘去噪，而且提取的照射分量可以反映图像的整体结构。
步骤二：采用一种改进的直方图均衡化方法，即对比度受限的自适应直方图均衡化方法(CLAHE)，对照射分量进行处理。经典直方图均衡化是一种全局算法，当只需对图像某一部分进行均衡化时不再适用。直方图均衡化是图像增强中常见的全局性图像增强法，其通过改造直方图的分布形式，使变换后图像的灰度值尽可能平均。但直方图均衡化方法是对整幅图像进行处理，所以可能导致图像中重要信息丢失，因此采用CLAHE方法。该方法采用局部分析的概念，将图像进行分块处理后，分别计算所有块内的直方图和每个直方图的截断值，最后对每个块进行直方图均衡化。
具体步骤为对于原图像的直方图，设定一个阈值，假定直方图某个灰度超过阈值，就对之进行裁剪，然后将超出阈值的部分平均分配到各个灰度级，以达到控制噪声和防止过度增强的目的。CLAHE在对普通X图像进行增强处理时取得了明显的效果。
步骤三：.采用自适应加权分布的伽马校正对反射分量进行处理。伽马校正是通过参数γ的大小来非线性变换调整像片的像素值，进而改善图像的整体亮度，由于伽马校正方法只是通过一个参数进行调节，缺乏自适应性，而且对于光暗分布不均匀的图像容易造成过增强的现象。针对以上问题，选用一种结合加权分布的自适应伽马校正，该方法是用一个补偿的累计分布函数去代替原始伽马校正的系数，可以逐步对低强度进行增强，以增加其适应性。
自适应伽马校正公式如下：
T(l)＝lmax(l/lmax)1-cdf(l)
式中，cdf(l)代表l亮度的累积分布，通过计算概率密度函数(ProbabilityDensity Function,pdf)，由下式所示：
式中，∑pdfw为整个图像的概率密度之和，由式(2.12)得出；为通过加权分布对直方图进行调整之后的概率密度函数，计算式为：
式中，pdfmax和pdfmin分别为概率密度统计直方图的最大值和最小值。
pdfw的求和公式为：
式中，校正系数1-cdf(l)<1，也就是说伽马校正中的γ<1，此时图像暗的地方被增强，图像整体变亮。在灰度值较低的区域(较暗的区域)，1-cdf(l)<1较小，1-cdf(l)<1较大，增强效果明显；在灰度值较高的区域(较亮的区域)cdf(l)较大，1-cdf(l)<1较小，增强效果减弱。自适应的根据亮度和对比度选择gamma值，避免过度增强和欠增强。
步骤四：将处理好的照射分量与反射分量按照一定的比例进行融合；其表达式为
F＝W1L′I+WPR′I
W1+WP＝1
式中，W1、WP为图像融合的权重，权重值根据具体图像确定且W1、WP的和为1，通过两个公式确定最佳权重；L'I、R'I分别为处理后的照射分量和处理后的反射分量。
步骤五：采用改进的同态滤波算法：单参数同态滤波算法，对融合后的分量进行处理，该方法对普通X光图像增强处理取得了明显的效果。传统的同态滤波采用的是照射-反射模型，即通过同时减小图像的灰度范围和增强图像的对比度来对图像增强，其传递函数为
式中，D(u,v)为频率(u,v)到中心频率(u0，v0)的距离，D0为截止频率；rH为高频增益；rL为低频增益；c为锐化系数，n为滤波器的阶数。
常用同态滤波的传递函数由rH、rL、c、n共同调节，在不同情况下针对rH、rL和n三个参数的选择很依赖调节经验，所以适用改进后的同态滤波算法：单参数同态滤波方法，该方法是根据S型函数的剖面与同态滤波的剖面有相似的结构这一原理，所构建出的新传递函数只具有一个参数，构建出新的传递函数为
式中构建出新的传递函数中只存在着一个参数，其中D(u,v)的意义以及计算方法与常用的同态滤波器相同。在与传统的高斯同态型传递函数的对比时可以看出：单参数同态滤波器由中心频率到高频的过渡较传统同态滤波器更平缓，斜率更小，滤波更加均匀。
步骤六：得到增强后的X射线图像。
本发明将几种传统算法的改进算法进行融合，提出一种适用于低照度X射线图像的图像增强算法，以改善低照度X射线的图像质量，在非接触式的人物同步安检方式中，对使用剂量极低的X射线检查得到的低照度图像进行有效的增强，以提高图像质量和安检效率。
与其他算法相比，从对比度、清晰度等方面来看增强效果明显提高。从峰值信噪比、信息熵、均方误差来判断。其中，峰值信噪比反映图像的整体质量，与图像质量呈正相关的关系；信息熵反映图像信息，信息熵越高图像细节信息越丰富。与其他算法相比，峰值信噪比和信息熵有所提高，均方误差有所降低，证明本发明图像增强算法有效。
实施例2：一种X光通道式安检机，所述安检机的图像处理方法包括如下步骤：
(1)对输入的低照度X射线图像采用改进的多尺度Retinex算法进行分解，将图像分为照射分量和反射分量；
(2)将分解出的照射分量采用CLAHE算法进行处理；
(3)将反射分量采用加权分布的自适应伽马校正；
(4)将处理好的照射分量与反射分量按照一定的比例进行融合；其表达式为
F＝W1L′I+WPR′I
其中，W1、WP为图像融合的权重，权重值根据具体图像确定且W1、WP的和为1；L'I、R'I分别为处理后的照射分量和处理后的反射分量。
(5)对融合好的图像进行改进后的单参数的同态滤波算法处理；
(6)得到增强后的图像。
本实施例基于改进的Retinex方法和同态滤波算法对低照度图像进行增强处理，得到清晰可识别的图像，以方便进一步判断安检结果。本实施例中，为了验证本发明方法的效果，选取了一张低照度X射线图像作为输入，如图2所示。该图像是在低照度X光安检机器中对物体进行照射，使用剂量极低的X射线检查得到的，由于剂量极低，导致图像质量极低，难以识别物品的细节信息。
将该输入图像按照本发明方法进行增强处理后，得到了如图3所示的输出图像。从输出图像可以看出，本发明方法对低照度X射线图像进行了有效的增强，提高了图像的对比度、清晰度和细节信息，使得人体和携带物品的轮廓和特征更加明显，方便进行安检判断。
进一步地，为了进一步评价本发明方法的效果，将输出图像与其他常用的图像增强算法进行了对比，如表1所示。从表中可以看出，本发明方法在客观指标上均优于其他算法，说明本发明方法对提高低照度X射线图像质量有明显的效果。
表1：图像处理结果对比表
其中信息熵反映图像的细节信息，并且数值与图像细节信息呈正相关，数值越大，说明图像包含越多的细节信息，表格中本发明的方法在处理低照度X光图像时信息熵有所提升，表明该方法能对图像细节有所保留。
均方误差是在图像处理算法中处理后图像像素值与原始像素值之差平方和的均值，数值越大，表示两张图片在相似度上更低，该数值与图像质量成反比，由表格可以看出本发明方法的均值误差数值均低于其他方法。
峰值信噪比反映图像的质量，该数值越大，表示图像的质量越好，一般来说：
(1)高于40dB：说明图像质量极好(即非常接近原始图像)；
(2)30—40dB：通常表示图像质量是好的(即失真可以察觉但可以接受)；
(3)20—30dB：说明图像质量较差；
(4)低于20dB：图像质量不可接受；
由表格可以看出，本发明的方法峰值信噪比有明显的提升，并且图像质量有了质的飞跃，从图像质量不可接受到图像质量微差，说明本发明对低照度X射线图像质量增强有明显的效果。
该表格的三个客观指标表明，本发明方法对提高图像低照度X射线图像质量有明显的效果。
进一步地，本发明主要应用于非接触式的人物同步安检方式中，该安检方式对人体及携带物品进行X射线检查，以查验是否携带违禁品，由于涉及对人体进行检查，所以使用的X射线剂量极低，以避免对人体造成伤害，但也因剂量极低造成成像质量极低。
进一步地，本申请实施例提供了一种存储介质，所述存储介质可以是任何一种能够存储软件程序的物理介质，例如光盘、闪存、硬盘等。所述软件程序包含用于执行一种低照度X射线图像增强方法的软件代码，该方法包括以下步骤：对输入的低照度X射线图像采用多尺度Retinex算法进行分解，将图像分为照射分量和反射分量；对照射分量采用CLAHE算法进行处理，对反射分量采用加权分布的自适应伽马校正；将处理好的照射分量与反射分量按照一定的比例进行融合；对融合好的图像通过单参数同态滤波算法进行处理；得到增强后的图像。
进一步地，本申请实施例提供了一种安检装置，它们可以实现一种低照度X射线图像增强方法，该方法可以有效地提升图像的清晰度，改善图像质量。
所述安检装置可以是X光通道式安检机、X光计算机断层成像安检机、X光双能量或能谱安检机等。所述安检装置包括用于执行和/或存储一种低照度X射线图像增强方法，该装置包括以下部分：
输入单元，用于接收低照度X射线图像；
分解处理单元，用于对输入的低照度X射线图像采用多尺度Retinex算法进行分解，将图像分为照射分量和反射分量；
优化处理单元：对照射分量采用CLAHE算法进行处理，对反射分量采用加权分布的自适应伽马校正；
融合处理单元：将处理好的照射分量与反射分量按照一定的比例进行融合；
增强处理单元：对融合好的图像通过单参数同态滤波算法进行处理；
输出单元，用于输出增强后的图像。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种低照度X射线图像增强方法，其特征在于，包括以下步骤：
步骤一：对输入的低照度X射线图像采用多尺度Retinex算法进行分解，将图像分为照射分量和反射分量；
步骤二：对照射分量采用CLAHE算法进行处理，对反射分量采用加权分布的自适应伽马校正；
步骤三：将处理好的照射分量与反射分量按照一定的比例进行融合；
步骤四：对融合好的图像通过单参数同态滤波算法进行处理；
步骤五：得到增强后的图像。
2.根据权利要求1所述的一种低照度X射线图像增强方法，其特征在于，所述多尺度Retinex算法采用双边滤波来代替原始的高斯滤波器作为中心环绕函数。
3.根据权利要求1所述的一种低照度X射线图像增强方法，其特征在于，所述自适应伽马校正采用一个补偿的累计分布函数去代替原始伽马校正的系数。
4.根据权利要求1所述的一种低照度X射线图像增强方法，其特征在于，所述照射分量与反射分量融合表达式为：
F＝W1L′I+WPR′I
W1+WP＝1
式中，W1、WP为图像融合的权重，权重值根据具体图像确定且W1、WP的和为1，根据以上两个公式，来调节权重比例；L'I、R'I分别为处理后的照射分量和处理后的反射分量。
5.根据权利要求1所述的一种低照度X射线图像增强方法，其特征在于，所述单参数同态滤波算法的传递函数为；
式中，D(u,v)为频率(u,v)到中心频率(u0，v0)的距离、D0为截止频率。
6.一种低照度X射线图像增强系统，其特征在于，所述系统包括：
输入单元，用于接收低照度X射线图像；
分解处理单元，用于对输入的低照度X射线图像采用多尺度Retinex算法进行分解，将图像分为照射分量和反射分量；
优化处理单元：对照射分量采用CLAHE算法进行处理，对反射分量采用加权分布的自适应伽马校正；
融合处理单元：将处理好的照射分量与反射分量按照一定的比例进行融合；
增强处理单元：对融合好的图像通过单参数同态滤波算法进行处理；
输出单元，用于输出增强后的图像。
7.一种存储介质，其特征在于，所述存储介质存储有权利要求1-5其中一项所述的一种低照度X射线图像增强方法和\或软件程序，所述软件程序内包括用于执行权利要求1-5之一所述的一种低照度X射线图像增强方法的软件代码。
8.一种安检装置，其特征在于，所述安检装置包括用于执行和\或存储权利要求1-5其中一项所述的一种低照度X射线图像增强方法的软件代码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311374569.XA CN117593233A (zh) | 2023-10-23 | 2023-10-23 | 一种低照度x射线图像增强方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311374569.XA CN117593233A (zh) | 2023-10-23 | 2023-10-23 | 一种低照度x射线图像增强方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117593233A true CN117593233A (zh) | 2024-02-23 |
Family
ID=89920841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311374569.XA Pending CN117593233A (zh) | 2023-10-23 | 2023-10-23 | 一种低照度x射线图像增强方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117593233A (zh) |
-
2023
- 2023-10-23 CN CN202311374569.XA patent/CN117593233A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Exposure based multi-histogram equalization contrast enhancement for non-uniform illumination images | |
| Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
| Zheng et al. | Image dehazing by an artificial image fusion method based on adaptive structure decomposition | |
| Tang et al. | Bi-histogram equalization using modified histogram bins | |
| Zhou et al. | Retinex-based laplacian pyramid method for image defogging | |
| Prabu et al. | Design of cognitive image filters for suppression of noise level in medical images | |
| Economopoulos et al. | Contrast enhancement of images using partitioned iterated function systems | |
| Zhuang et al. | Image enhancement via subimage histogram equalization based on mean and variance | |
| CN111986120A (zh) | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 | |
| CN102625030B (zh) | 视频增强方法和系统 | |
| Subramani et al. | Fuzzy contextual inference system for medical image enhancement | |
| CN110047055B (zh) | 一种红外图像细节增强及去噪方法 | |
| Jung et al. | Optimized perceptual tone mapping for contrast enhancement of images | |
| Wang et al. | Low-light image joint enhancement optimization algorithm based on frame accumulation and multi-scale Retinex | |
| Wang et al. | Weak‐Light Image Enhancement Method Based on Adaptive Local Gamma Transform and Color Compensation | |
| Majeed et al. | Adaptive entropy index histogram equalization for poor contrast images | |
| Zhou et al. | A multifeature fusion method for the color distortion and low contrast of underwater images | |
| Hao et al. | Retinex-like method for image enhancement in poor visibility conditions | |
| Babu et al. | Contrast enhancement using real coded genetic algorithm based modified histogram equalization for gray scale images | |
| CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 | |
| Daway et al. | X-ray image enhancement using retinex algorithm based on color restoration | |
| CN109859138A (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
| Li et al. | [Retracted] Research on Haze Image Enhancement based on Dark Channel Prior Algorithm in Machine Vision | |
| CN117593233A (zh) | 一种低照度x射线图像增强方法、系统及存储介质 | |
| GUAN et al. | A dual-tree complex wavelet transform-based model for low-illumination image enhancement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |